오늘날 인공지능(AI) 도입이 기업의 명암을 가른다고 한다. 그러나 적절한 인재를 확보할 수 있었다고 해도 AI의 실용화까지 갈 길은 멀다. 또 정밀도가 높은 AI 모델을 만들려면 모델 자체의 선택이나 파라미터의 조정이 필요하고 데이터의 규모에 따라서는 연 단위의 많은 시간이 소요되기 때문이다.
인공지능은 이러한 험난한 길 조차도, AI로 해결하려는 솔루션이 속속나오고 있다. 즉 작업자는 성형한 데이터를 준비하는 것만으로 된다. 하고싶은 AI 작업을 마우스로 몇번 클릭하는 것만으로, 고정밀의 AI 모델이 자동적으로 생성된다고 한다. 게다가 사람이 1년 넘게 구축한 AI모델과 동등하거나 그 이상의 정밀도를 단 몇분에서 몇시간만에서 생성한다.
'AI모델러' 는 2018년부터 몇개가 개발되고 제공을 시작했다. 그 중에서도 주목받고 있는 대표적인 툴 하나를 소개해 본다. 미국 오스틴 소재 스파크코그니션(SparkCognition)은 2013년에 설립돼 군사부터 발전소까지 거의 모든 AI 분야에 진출하고 있으며 보잉, 버라이즌 등 출자하는 등 탄탄한 기반을 다지고 있는 AI 벤처기업이다.
이 회사의 AI 모델러는 '다윈(DARWIN™)'이다. 솔루션은 직관적인 환경을 통해 머신러닝에 데이터를 사용하는 방법을 이해하고 잠재적인 문제를 발견하고 이를 해결하기 위한 최선의 방법을 제시하며, 데이터 사이언스의 주요 프로세스인 '데이터 가공'이나 '특징량 추출', 'AI 모델 구축'을 자동화하는 툴이다.
다윈은 ‘회귀분석(Regression)’, ‘분류(Classification)’ 등의 감독 학습(Supervised Learning, 지도 학습)과 고객 세분화 등에 사용되는 비지도 학습(unsupervised learning, 자율 학습), 장치 고장 탐지 등에 사용되는 준지도 학습(semi-supervised learning) 등 다양한 유형이 있으며, 이 AI 모델러는 이 모든 것을 하나의 도구로 커버할 수 있는 것이 강점이다.
인간이 AI모델을 작성하는 기존의 방법에서는 1개의 문제 해결에 수개월에서 수년이 걸릴 큰 과제라도 이 AI모델러이면 수시간에서 몇일로 단축할 수 있다고 한다.
때문에 기업에서는 문제 정의와 데이터 준비에 주력할 수 있어 AI 모델의 조정에만 소비하고 있던 자원 문제를 해결할 수 있다. 또 조작은 간단한 클릭으로 가능해져 데이터 과학자로서의 지식은 거의 필요 없이 모델을 배포할 수 있다. 즉 필요한 데이터만 준비되면 고속으로 고정밀의 AI 모델이 완성하는 솔루션이다.
또 AI 모델러는 이른바 근거를 '설명할 수 있는 AI'를 실현하고 있으며, 모델의 가시화 에도 대응하고 있다. 데이터간의 관계가 가시화되기 때문에 출력에 대한 원데이터의 영향 정도 등을 알 수 있을 뿐만 아니라 가시화 데이터로부터 얻은 지견을 기본으로 다른 AI모델의 생성도 검토할 수 있다. 이 때문에 기존 하나의 AI모델의 조정에 분주했던 데이터 과학자는 보다 고도의 작업에 전념할 수 있게 된다.
이 솔루션으로 적용한 대표적인 사례로는 일본 반도체 메이커에서의 도입 사례도 있다. 제조 과정의 수율 개선의 AI모델 구축을 목적으로 한 것으로, 센서가 얻은 데이터로부터 품질을 예측하는 것이 목적이다. 제조 과정의 센서의 방대한 수의 파라미터에 약 1년에 걸쳐서 데이터 과학자들이 조율한 AI모델과 스파크코그니션의 AI모델러 다윈이 하루에 생성한 AI모델에서 거의 동등한 결과를 얻었다고 한다.
아울러 모델의 가시화 부분에서는 어느 장치의 어느 센서의 파라미터가 영향을 미치는지 알고 센서 수를 800에서 400로 줄이더라도 문제가 없는 것도 판명됐다고 한다.
이밖에 자동차 메이커의 부품 제조 라인에서의 불량품 판정과 대기업, 금융기관이나 통신 회사에서 예상고객이나 이탈고객을 예측하는 것에 이용되고 있는 것 외에 고객 서포트의 응답 플로우에도 채용되고 있다. 이는 다양한 산업에서 시계열 데이터나 다변량 데이터에도 유연성이 있어, 설명할 수 있는 AI를 고속·고정밀로 생성할 수 있다고 하는 특징이 있기 때문에 AI 모델러는 금융이나 통신, 유통·소매 등 다양한 산업에서 적용하고 있다.
특히 타사로부터 AI 모델의 작업 의뢰를 받는 경우, 기밀성의 관점으로부터 데이터 라벨의 제공이 없는 경우가 많다. 시간을 들여 작성한 모델의 출력 결과를 봐도 의도한 것이 되어 있는지 검증·조정에 새로운 시간이 걸려 고객이 안는 많은 과제에 대해, 시기적절하게 해결책을 제시하는 것이 어렵다고 하는 과제가 있었다. 이러한 현장의 과제에 대응할 수 있는 툴인 것이다.
결론적으로 기업에서 AI 도입의 흐름은 멈추지 않는다. 비단 스파크코그니션의 AI 모델러에 한정되지 않고 AI 모델러는 지금부터 많은 기업에서 도입되어 각 기업의 AI 실용화에 공헌해 갈 것이다. AI를 전문으로 하는 데이터 과학자가 있지 않아도 모든 분야에서 누구나가 간단하게 AI를 활용할 수 있는 시대가 가까워지고 있는 것이다.